利用智能引導和KDML增強可拓模型人機建模能力研究

毛莉娜， 李衛華

(1.廣東輕工職業技術學院 機電工程系，廣東 廣州 510300； 2.廣東工業大學 計算機學院，廣東 廣州 510006)

利用智能引導和KDML增強可拓模型人機建模能力研究

毛莉娜1， 李衛華2

(1.廣東輕工職業技術學院 機電工程系，廣東 廣州 510300； 2.廣東工業大學 計算機學院，廣東 廣州 510006)

為了利用計算機協助人們建立待求解問題的可拓模型，必須讓計算機識別用自然語言描述的問題，而且要理解問題的含義，這是相當困難的任務。本文提出利用人機界面Agent的智能引導并結合知網(HowNet)中的知識系統描述語言(KDML)，增強計算機語義處理能力的方法。以求職問題為實踐的結果說明了方法的有效性。由于KDML有較強的表示語義信息的作用，通過人機交互也能減輕計算機自然語言理解的困難。因此該方法能將自然語言描述的待求解問題的目標和條件進行分離和形式化，使計算機更有效地建立待求解問題的可拓模型。

智能引導；KDML；自然語言理解；語義；可拓模型；Agent；人機交互；知網

中文引用格式：毛莉娜，李衛華. 利用智能引導和KDML增強可拓模型人機建模能力研究[J]. 智能系統學報， 2017, 12(3): 348-354.

英文引用格式：MAO Li’na， LI Weihua. Research on enhancing the human-machine modeling ability for an extension model using the intelligent guide and KDML[J]. CAAI transactions on intelligent systems, 2017, 12(3): 348-354.

計算機為了判斷人們待求解的問題是否為矛盾問題(即判斷在當前條件下能否實現人們所希望的目標)，必須分離待求解問題的目標和條件，并且形式化，即建立問題的可拓模型[1]，才能針對不同類型的問題采取不同的解決方法(非矛盾問題用常規方法求解，矛盾問題用可拓學方法解決)。然而，用戶問題經常是用自然語言表述的，比如，“我如何提高自己的職業能力才能應聘項目經理”，或者“我如何找到一份工作，工資待遇較好，符合個人興趣，而且工作條件不會太差”等。如果直接讓計算機理解這些自然語言信息是很困難的，導致可拓模型難以建立。文獻[2]曾介紹過如何借助Agent技術協助建立矛盾問題的可拓模型，該方案是讓Agent處理半結構化的信息，而不涉及自然語言理解。但如何構造半結構化的信息也相當復雜，不容易實現。文獻[3]利用分類思想對矛盾問題建模，并要求用戶輸入目標句，但沒有提及條件，即默認用戶的條件一定不滿足目標(矛盾問題)。這就把那些非矛盾的問題排除在外，無法用計算機求解了。文獻[4]建立可拓模型的方法是：當用戶提供的需求語句可能只是目標或條件之中的一個，或者提供了不完整的目標和條件的情況時，利用數據庫中數據對可拓模型進行補充和完善[4]。然而，如果數據庫中沒有相關數據時則無法成功建模，也就無法用計算機求解該問題了。物元有各種屬性，文獻[3]介紹的方法是相關屬性由用戶自己輸入，此方法雖然靈活，但仍需要人的操作。文獻[4]的方法是預先準備好若干個屬性，再讓計算機處理。此方法發揮了計算機的作用，但靈活性不足。另外，文獻[3]和文獻[4]都未對文獻[5]中提出的對矛盾問題的界定與建模時出現的語義歧義問題進行處理。

針對這些不足，我們開展了深入的研究，探索更好的建立待求解問題可拓模型的方法。在研究過程中，我們分析了知網(HowNet)[6]的KDML(knowledge database mark-up language)——知網知識系統描述語言[7]。郝長伶等設計了這種知識描述規范體系，他們經過對中英文兩種語言各8 萬多條概念的描述，證明這種體系便于對意義的計算，更直觀，有較好的可讀性[8]。文獻[9]認為中文詞語間的組合主要基于語義，并指出：與其他的中文語塊抽取系統不同的是，經過用知網中文信息結構抽取器處理后的中文信息結構內部的語義關系是清晰明確的，其每一個部分的語義都被確定并保留了[9]。本文在上述工作的基礎上，提出一種增強計算機建立待求解問題可拓模型能力的方法：結合人機界面Agent的智能引導能力，并充分利用KDML表達性，增強計算機的語義處理能力，使計算機能更有效地將自然語言描述的待求解問題的目標和條件進行分離和形式化，建立待求解問題的可拓模型，為進一步協助解決待求解問題奠定基礎。

1 KDML的語義描述能力

有關KDML的詳細內容請閱讀文獻[7]，這里只做簡單介紹：

1)KDML總規定有7點，確定描述規范。

2)KDML 中的特定標識符有7種，分別是左括號({)、右括號(})、冒號(:)、逗號(,)、等號(=)、分號(;)、引號(“)。

3)3種特殊的指示符號：義原～、義原?、義原$。

4)事件類概念的描述方法包括簡單概念和復雜概念。

5)實體類概念的描述方法包括簡單概念和復雜概念。

6)屬性類概念的描述方法。

7)屬性值類概念的描述方法。

8)89種動態角色的使用，復雜概念需要用這些動態角色。

知網利用KDML把概念表示成義原(也叫義元)的DEF表達式，可稱為一個語義表達式。例如：“阿姨”這個詞知網用兩個不同的義項將它們的語義表達如下：

NO.=000808

W_C=阿姨

S_C=

E_C=

W_E=aunt

G_E=N

S_E=

E_E=

長輩}}

NO.=000807

W_C=阿姨

G_C=N [a1 yi2]

S_C=

E_C=

W_E=nurse

G_E=N

S_E=

E_E=

通過這樣的KDML語義表達，可以把兩個有歧義的概念區分開，不至于產生語義二義性。

KDML除了對詞語所代表的概念進行描述外，它還使得每一種信息結構也都成為可以計算的對象[9]。因此，有利于計算機理解用戶輸入問題的目標和條件，減少語義模糊。

2 增強的可拓模型建立方法

可拓學原理指出：必須把待求解問題解析出目標和條件，才能建立問題的可拓模型。如果計算機直接接收用戶用自然語言描述的問題，要解析出目標和條件無疑會陷入自然語言理解的困境中。因此，我們提出讓Agent引導用戶分別輸入問題的目標和條件，而不要兩者混雜在一起輸入。

以求職問題為例：Agent可以問用戶想應聘什么職位，用戶必然輸入希望應聘的職位，這相當于問題的目標部分；然后Agent再引導用戶輸入個人資質信息，這相當于問題的條件部分。這樣，問題的目標和條件就基本分離了。

分離了問題的目標和條件后，還要形式化，以便計算機處理。我們可以用文獻[3]的分詞步驟或文獻[4]的組塊分析步驟對目標和條件句進行處理，也可以用國內外文獻介紹的各種方法進行處理，但這些方法處理中文語義不如知網。本文提出用文獻[9]的描述基于“知網”的中文信息結構抽取方法對問題目標和條件進行處理，再用KDML形式化。

假設用戶目標是“應聘成本會計師”，該短語可以解析出兩個知網詞語，“應聘”和“成本會計師”，其KDML表達式如下：

NO.=100746

W_C=應聘

G_C=V

E_C=

W_E=accept an offer of employment

G_E=V

E_E=

NO.=017547

W_C=成本會計師

G_C=N [cheng2 ben3 kuai4 ji4 shi1]

S_C=

E_C=

W_E=cost accountant

G_E=N

S_E=

E_E=

NO.=100746的DEF表達式的語義是接受，內容是雇用；NO.=017547的DEF表達式的語義清楚說明，“成本會計師”是人，是職位的宿主，該人屬于“金融”領域，是“計算”的施事者，計算內容是“錢財”。對此表達式，用戶和計算機都不難理解其語義。

從知網-中文信息結構庫[10]知道，“應聘成本會計師”的信息結構是SYN_S=V --> N，SEM_S=(事件) --> [內容] (萬物/部件)，其中SYN_S表示相應的句法結構式，SEM_S表示信息結構模式，“應聘”是(事件)，而“成本會計師”是[內容] (萬物/部件)。

假設用戶輸入的資質條件是“大學本科畢業，英語過了四級”。“大學本科畢業”可以解析出兩個知網詞語，即“大學本科”和“畢業”，“大學本科畢業”的信息結構是SYN_S=N <-- V，SEM_S=(萬物/部件)[內容] <-- (事件，行動)，“大學本科”是(萬物/部件)[內容]，而“畢業”是(事件，行動)?！坝⒄Z過了四級”可以解析出4個知網詞語：“英語”“過”“四”“級”，“過四級”的信息結構類似SYN_S=V <-- {NUM --> N}，SEM_S=(事件，行動) <-- [動量]{(數量值) --> (物質，用具/部件，%動物)}。

目標和條件用KDML形式化后，為了建立可拓模型，還需要把KDML表達的詞語轉變成基元。本課題組曾研究過相關的內容，主要是靠人來建立基元，存儲后作為基礎庫[11]。本文提出用人機交互方式建立基元，發揮計算機的作用，減輕人的勞動?；梢允俏镌狹、事元A、關系元R，詳細內容見文獻[1]。比如，目標“應聘成本會計師”的KDML表達式句法是SYN_S=V→ N，動詞“應聘”為首，名詞“成本會計師”為后，計算機將前者轉變為可拓學的事元A，后者轉變為物元M。本文讓計算機從KDML表達式中提取物元各屬性值，再提交給用戶確認屬性名。經用戶確認后，目標基元如下：

A=[應聘， 支配對象，M]

A1=[計算，支配對象，錢財]

條件“大學本科畢業，英語過了四級”是求職者的屬性，計算機把KDML表達式填入求職者物元屬性值中，再經過用戶確認屬性名后建立起條件物元M1：

因此，用戶問題P：“我大學本科畢業，英語過了四級，如何應聘成本會計師？”就成功地被建立為以下可拓模型：

P=[應聘，支配對象，M]·

綜上所述，增強計算機可拓建模能力的方法歸納如下：

1)引導用戶輸入待求解問題的目標部分；

2)引導用戶輸入待求解問題的條件部分；

3)用基于“知網”的中文信息結構抽取方法分別解析目標和條件，用KDML形式化；

4)將KDML表示的目標和條件通過人機交互轉變成目標基元G和條件基元L；

5)形成待求解問題P的可拓模型P=G·L。

3 方法實踐

我們將職業學院畢業生求職問題作為應用實踐來說明本文所提方法的有效性。

為了實現智能引導，我們采用本課題組曾研究過的MVC架構的人機界面Agent[12]，不同之處是領域知識不一樣。文獻[12]的知識庫存放的是旅游領域知識，本文則要存放職業信息。我們搜集了國家職業大典，部分信息如圖1所示。

圖1 職業信息Fig.1 Occupational information

這些信息是Agent處理用戶目標的背景知識，用Excel表存放在計算機中備用。Agent用Java技術[13]開發，運行在Web[14]環境下，系統采用開源的Tomcat服務器[15]和MySQL數據庫[16]。

3.1 引導目標和條件

為了使Agent引導用戶輸入目標，我們采用與文獻[17]相似的交互策略。在輸入界面給予示范，引導用戶輸入問題信息，并靈活對待不同的問題。

假設Agent問：“您想應聘什么職位？”用戶輸入某職位名稱后，Agent先檢查國家職業大典Excel表有無此職位，有則Agent可以轉向引導用戶輸入，無則要求用戶進一步指明。我們在實踐中發現大致有3種情形：1)用戶有時輸入錯誤；2)用戶輸入的職位名稱不是職業大典使用的名稱，但實際上語義是一致的，比如用戶輸入“軟件開發人員”，而職業大典中的“計算機與應用工程技術人員”的確解釋為“從事計算機硬件、軟件、網絡研究、設計、開發、調試、集成、維護和管理以及系統分析的工程技術人員”；3)職業大典未明確列出的新職位。對于這些情形，Agent巧妙地回答“我尚未發現此類職位，它屬于哪個大類？”同時列出職業大典的八大類職業名稱來請用戶選擇，并逐步引導至中類甚至小類，最后選項是“不便分類的其他從業人員”，至此解決目標問題。

目標明確后，Agent下一步又問“您目前有什么工作經驗或知識水平”，請用戶輸入個人資質條件，比如“愛好編程”“會Java語言”等。

3.2 KDML形式化

對于五花八門的目標和條件，如“應聘軟件開發人員”“愛好編程”等，本文提出用基于“知網”的中文信息結構抽取方法進行處理，知網-中文信息結構庫是Word文檔，如圖2所示。

圖2 知網-中文信息結構庫Fig.2 HowNet-Chinese information structure libraries

我們采用文獻[18]介紹的切分、組詞、消歧和中文語塊抽取步驟，可以做到最后從文本中抽取到的不只是句法結構，更是語義結構[18]。如“愛好編程”的切分是“愛-好-編-程”，在知網知識庫的支持下組詞(本文采用知網中英雙語知識詞典 .txt文件，存放在計算機中)得到“愛好-編程”，因為組詞時可能會產生歧義[18]，“愛好”可以是名詞，也可以是動詞(“編程”也是如此)。所以分別寫出“愛好”的兩個KDML語義表達式讓用戶確定：

NO.=001198

W_C=愛好

G_C=V [ai4 hao4]

E_C=～唱京戲，～跳舞，～書法，～滑冰，音樂～者

W_E=be fond of

G_E=V

E_E=

NO.=001202

W_C=愛好

G_C=N [ai4 hao4]

S_C=

E_C=～廣泛，不要因為你的～影響學習，僅憑～學習會偏科

W_E=interest

G_E=N

S_E=

E_E=

Agent此時需要在人機交互下消歧，在屏幕顯示“愛好”的兩個KDML語義表達式后問用戶哪一個“愛好”是符合語義的詞，用戶選出這里的“愛好”應該是動詞(NO.=001198)，因此Agent將“愛好-編程”中“愛好”名詞消去，保留動詞(同理將“編程”動詞消去，保留名詞)，再抽取信息結構：SYN_S=V--> N，SEM_S=(事件，精神狀態/變精神)-->[對象] (萬物/屬性)(例子：愛好-音樂)，并將結果顯示給用戶，通過人機交互更有效地確認形式化。

“會Java語言”的切分是“會-Java-語-言”(英語不用切分)，組詞得到“會-Java-語言”，“會”在知網中有多個義項數，如：

Agent根據自主性[19]排除了與求職者屬性無關的義項，保留了以下義項：

NO.=039130

W_C=會

G_C=V

E_C=

W_E=grasp

G_E=V

E_E=

據此抽取信息結構：SYN_S=V-->N，SEM_S=(事件)-->[受事] (萬物/部件/屬性/時間)。

3.3 轉變為基元

Agent引導了目標和條件，并對目標和條件用KDML規范形式化后，還需轉變為基元。

目標“應聘軟件開發人員”根據句法表達式SYN_S=V→N可以轉變為事元A和物元M，物元M的屬性值是計算機從“軟件開發人員”的KDML表達式中抽取并填入的，屬性名通過人機交互由用戶確定：

A=[應聘，支配對象，M]

A1=[編寫，支配對象，程序]

條件“愛好編程”和“會Java語言”是求職者的屬性，用類似的方法轉變為條件物元M1：

A2=[了解， 支配對象， Java語言]

3.4 形成待求解問題的可拓模型

經過上述步驟，用戶問題P“我愛好編程，會Java語言，想應聘軟件開發人員”被引導出，目標G=“應聘軟件開發人員”，條件L=“愛好編程，會Java語言”，最后成功地建立為以下可拓模型P=G·L：

從我們的實踐來看，Agent對特定問題的智能引導還是有效的，因為我們對特定問題輸入的目標或條件的可能性基本都估計到了。但是，對于過于廣泛的問題，由于人本身無法預料全部輸入，因此也無法為Agent準備有效的應對措施，目前只能輸出“抱歉”等字樣來表明Agent無法引導某些問題。另外，在人機交互時如果用戶對某詞語的多個(比較接近的)義項理解有偏差，會導致計算機建立的可拓模型不符合現實邏輯的情況，這點只能由集體智慧[20]來發現和糾正。

4 結束語

本文提出了利用KDML并結合人機界面Agent的智能引導的方法增強計算機建立可拓模型能力，本方法一方面減輕了計算機自然語言理解的困難，另一方面減少了語義歧義，計算機可以更快速有效地建模，從而為用計算機求解問題奠定了基礎。

如何評價所提方法的有效性？我們認為通過集體智慧發表意見比較可行。每當建立了一個可拓模型后，讓其他人對結果進行評議，如果多數人認為建模成功，該次建模就有效。如果多數人認為建模不正確，該次建模就失敗，這時就要分析原因，進行改進，不斷完善。

建立了待求解問題的可拓模型，只是計算機協助人們解決問題的第一步，后面的工作還很艱巨。因為“自然語言理解”這樣對人來說不太困難的任務，計算機都完成得相當困難，那么后面的“求解問題”這樣對人來說很不輕松的任務，計算機就更難解決了。然而我們認為，充分發揮人的智慧和機器智能進行人機交互，揚長避短，是利用計算機求解問題的有效方法，是未來的研究方向。

[1]楊春燕, 蔡文. 可拓學[M]. 北京: 科學出版社, 2014: 1-381.

[2]李衛華. Agent協助建立矛盾問題的可拓模型研究[J]. 數學的實踐與認識, 2009, 39(4): 173-177. LI Weihua. The research of extension model for contradiction problems with Agent[J]. Mathematics in practice and theory, 2009, 39(4): 173-177.

[3]汪中飛, 李衛華, 陶星. 基于分類的ESGS矛盾問題建模的研究[J]. 廣東工業大學學報, 2014, 31(4): 14-19. WANG Zhongfei, LI Weihua, TAO Xing. Research on ESGS contradiction problem modeling based on classification[J]. Journal of Guangdong university of technology, 2014, 31(4): 14-19.

[4]王定橋, 李衛華, 楊春燕. 從用戶需求語句建立問題可拓模型的研究[J]. 智能系統學報, 2015, 10(6): 865-871. WANG Dingqiao, LI Weihua, YANG Chunyan. Research on building an extension model from user requirements[J]. CAAI transactions on intelligent systems, 2015, 10(6): 865-871.

[5]趙杰, 李衛華. 基于知網的矛盾問題語義二義性研究[J]. 廣東工業大學學報, 2014, 31(2): 21-26. ZHAO Jie, LI Weihua. Research on the ambiguity of contradiction based on hownet[J]. Journal of Guangdong university of technology, 2014, 31(2): 21-26.

[6]董振東, 董強. 知網[EB/OL]. http://www.keenage.com/zhiwang/c_zhiwang.Html.

[7]KDML. 知網知識系統描述語言[EB/OL]. http://www.keenage.com/html/c_index.Html.

[8]郝長伶, 董強. 知網知識庫描述語言[C]//語言計算與基于內容的文本處理——全國第七屆計算語言學聯合學術會議論文集. 哈爾濱: 中國中文信息學會, 2003: 371-377. HAO Changling, DONG Qiang. Knowledge database mark-up language of HowNet[C]//Language Computing and Content Based Text Processing, Proceedings of the 7th National Joint Academic Conference on Computational Linguistics. Harbin, 2003: 371-377.

[9]董強, 郝長伶, 董振東. 基于知網的中文信息結構抽取[EB/OL]. http://www.keenage.com/html/c_index.html.

[10]董振東, 董強. 關于知網-中文信息結構庫[EB/OL]. http://www.keenage.com/html/c_index.html.

[11]陶星. 基于知網的領域可拓基礎庫的研究與實現[D]. 廣州: 廣東工業大學, 2015: 1-61. TAO Xing. Research and implementation of extension domain base on HowNet[D]. Guangzhou: Guangdong University of Technology, 2015: 1-61.

[12]方卓君. 基于Agent的用戶信息智能引導的研究[D]. 廣州: 廣東工業大學, 2010: 1-54. FANG Zhuojun. Research on Agent-based intelligent guide for user information[D].Guangzhou: Guangdong University of Technology, 2010: 1-54.

[13]李衛華. Java技術及其應用[M]. 北京: 清華大學出版社, 2009: 1-281.

[14]劉甫迎, 饒斌, 鄭顯舉, 等. Java EE Web編程技術教程[M]. 北京: 電子工業出版社, 2010: 1-374.

[15]孫衛琴. Tomcat與Java Web開發技術詳解[M]. 2版. 北京: 電子工業出版社, 2009: 1-734.

[16]KOFLER M. MySQL 5權威指南[M]. 楊曉云, 王建橋, 楊濤, 等, 譯. 北京: 人民郵電出版社, 2006: 1-662.

[17]李衛華, 楊春燕, 方卓君. 提高軟件Agent策略生成的語義互操作能力[J]. 數學的實踐與認識, 2012, 42(11): 131-138. LI Weihua, YANG Chunyan, FANG Zhuojun. Improve the semantic interoperability for software Agents strategy generation[J]. Mathematics in practice and theory, 2012, 42(11): 131-138.

[18]董強, 郝長伶, 董振東. 基于《知網》的中文語塊抽取器[C]//語言計算與基于內容的文本處理——全國第七屆計算語言學聯合學術會議論文集. 哈爾濱: 中國中文信息學會, 2003: 234-239. DONG Qiang, HAO Changling, DONG Zhendong. HowNet- based Chinese chunk extractor[C]//Language Computing and Content Based Text Processing, Proceedings of the 7th National Joint Academic Conference on Computational Linguistics. Harbin, China, 2003: 234-239.

[19]WOOLDRIDGE M. 多Agent系統引論[M]. 石純一, 譯. 北京: 電子工業出版社, 2003: 1-258.

[20]莊子勻, 陳敬良, 羅堯成. 網絡集體智慧研究述評[J]. 情報雜志, 2014, 33(5): 31-37. ZHUANG Ziyun, CHEN Jingliang, LUO Yaocheng. A review on web-enabled collective intelligence[J] Journal of intelligence, 2014, 33(5): 31-37.

Research on enhancing the human-machine modeling ability for an extension model using the intelligent guide and KDML

MAO Li’na1， LI Weihua2

(1. Department of Mechanical and Electrical Engineering, Guangdong Industry Polytechnic, Guangzhou 510300, China; 2. School of Computers, Guangdong University of Technology, Guangzhou 510006, China)

When using a computer to establish an extension model for solving problems, the computer must be able to recognize problems described in natural languages, and, in particular, must understand the meaning of the problems. This is a very difficult task. Knowledge database mark-up language (KDML) in HowNet has a strong semantic information expression function. Through human-machine interaction, it can also reduce the difficulty that computers encounter when understanding natural language. A method to enhance the computer’s semantic processing ability, based on the human-machine interface agent’s intelligent guide and KDML, is proposed. The goals and conditions of the problems to be solved described in natural language are separated and formalized, making the computer establish the problem-solving extension model more effectively.

intelligent guide; KDML; natural language understanding; semantic; extension model; Agent; human-machine interaction; HowNet

10.11992/tis.201610017

http://kns.cnki.net/kcms/detail/23.1538.TP.20170404.1218.008.html

2016-10-14. 網絡出版日期：2017-04-04.

國家自然科學基金項目(61273306，61571141).

李衛華. E-mail：lw@gdut.edu.cn.

TP3

A

1673-4785(2017)03-0348-07

毛莉娜，女，1988年生，講師，主要研究方向為自動控制技術、計算機技術、電子工程技術。主持廣東省發明專利產業化重點項目1項、江西省重點研發計劃項目1項，參與國家自然科學基金項目2項，其他項目多項。發表學術論文8篇。

李衛華，女，1957年生，教授，主要研究方向為智能軟件、面向Agent計算、網絡信息系統。主持廣東省自然科學基金項目3項，參與國家自然科學基金項目2項。發表學術論文40余篇。